Modelo

source("../../lib/som-utils.R")

Attaching package: 'dplyr'
The following objects are masked from 'package:stats':

    filter, lag
The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union
source("../../lib/maps-utils.R")
Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1

Carga del modelo desde disco

mpr.set_base_path_analysis()
model <- mpr.load_model("som-151.rds.xz")
summary(model)
SOM of size 50x50 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 156652 objects.
Mean distance to the closest unit in the map: 0.058.
plot(model, type="changes")

Carga del dataset de entrada

df <- mpr.load_data("datos_semana_2k.csv.xz")
df
summary(df)
 id_estacion           fecha             fecha_cnt          tmax       
 Length:156652      Length:156652      Min.   : 1.00   Min.   :-109.0  
 Class :character   Class :character   1st Qu.:13.00   1st Qu.: 147.0  
 Mode  :character   Mode  :character   Median :27.00   Median : 201.0  
                                       Mean   :26.53   Mean   : 202.1  
                                       3rd Qu.:40.00   3rd Qu.: 262.0  
                                       Max.   :53.00   Max.   : 442.0  
      tmin             precip           nevada    prof_nieve      
 Min.   :-189.00   Min.   :  0.00   Min.   :0   Min.   :   0.000  
 1st Qu.:  48.00   1st Qu.:  0.00   1st Qu.:0   1st Qu.:   0.000  
 Median :  98.00   Median :  3.00   Median :0   Median :   0.000  
 Mean   :  98.13   Mean   : 16.92   Mean   :0   Mean   :   0.604  
 3rd Qu.: 152.00   3rd Qu.: 20.00   3rd Qu.:0   3rd Qu.:   0.000  
 Max.   : 272.00   Max.   :690.00   Max.   :0   Max.   :1073.000  
    longitud        latitud           altitud      
 Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:39.01   1st Qu.: -4.850   1st Qu.:  44.0  
 Median :41.22   Median : -1.411   Median : 263.0  
 Mean   :40.05   Mean   : -2.426   Mean   : 478.5  
 3rd Qu.:42.19   3rd Qu.:  1.272   3rd Qu.: 687.0  
 Max.   :43.57   Max.   :  4.216   Max.   :2535.0  

Carga de los mapas

world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")

Mapa de densidad

plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)

Número de elementos en cada celda:

nb <- table(model$unit.classif)
print(nb)

   1    2    3    4    6    7    8    9   10   11   12   13   14   15   16   17 
  54   82   84   78   39   56   55   86   74   63   79   58    3   64   57   72 
  18   19   20   21   22   23   24   25   26   27   28   29   30   31   32   33 
  86   83   42   91   95   52   53   68   48   74   55   73   39   80   90   89 
  34   35   36   37   38   39   40   41   42   43   44   45   46   47   48   49 
  47   53  106   56  117  105   64  112   88  105   66   82   94   99  100   69 
  50   51   52   53   54   57   58   59   60   61   62   63   64   65   66   67 
  76  103   75   79   84   68   88   80   80  123   93   95   78   69   45   79 
  68   69   70   71   72   73   74   75   76   77   78   79   80   81   82   83 
  61   74  123  132   97   48   55   81   43   67   64   36   58   94   90   79 
  84   85   86   87   88   89   90   91   92   93   94   95   96   97   98   99 
  62   29   49   33   72   76   47   69   61   40   43   36   83   88   82   83 
 100  101  102  105  110  111  112  113  114  115  116  117  118  119  120  121 
  30   88   72   72   84  116   75   44   16   64  106   79  122   77   81   86 
 122  123  124  125  126  127  128  129  130  131  132  133  134  135  136  137 
  45   43   81  107   63   50   81  120   52   78   96   76   60   70   74   30 
 138  139  140  141  142  143  144  145  146  147  148  149  150  151  152  154 
  44   39   32   56   82   81   72   78   26   36   36   56   17   90   70   83 
 155  156  157  158  159  161  162  163  164  165  166  167  168  169  170  171 
  71   62   68   38   66   64   65   64   59   27   43  104   66  127   56   96 
 172  174  175  176  177  178  179  180  181  182  183  184  185  186  187  188 
  75  115   89  102   94  120   84   78   76   97   83   53   48   41   26   32 
 189  190  191  192  193  194  195  196  197  198  199  200  201  203  204  205 
  42   76   63   64   81  112   52   79   64   59   77   38   61   80   70   25 
 206  207  208  209  211  212  213  214  215  216  217  218  219  220  221  222 
  66  101   29   87  104   63   64   48   44   40   47   38   49   48   67   87 
 223  224  225  226  227  228  229  230  231  232  233  234  235  236  237  238 
  39   80   93   72   57   64   90   94  122   82   95   50   49   29   58   56 
 239  240  241  242  243  244  245  246  247  248  249  250  251  253  254  256 
  62   42   49   72   44   76   58   94   65   80   63   37  109   68   35   91 
 257  258  259  260  262  263  264  265  266  267  268  269  270  271  272  273 
  70   88   48   76   61  101   56   58   52   70   83   83   34   71   51   73 
 274  275  276  277  278  279  280  281  282  283  284  285  286  287  288  289 
  96   85   22   98  101   63   61  103   67   76   47   66   61   46   38   71 
 290  291  292  293  294  295  296  297  298  299  300  302  303  304  305  306 
  92   72   62   56   67   50   36   36   55   62   63   61   45   11   78   64 
 307  308  309  311  312  313  314  315  316  317  318  319  320  321  322  323 
  39   97   81   77  118   63   38   50   90   39   38   99   53   82   86  109 
 324  325  326  327  328  329  330  331  332  333  334  335  336  337  338  339 
  78   95  117   77   81   70   81   72   59   90   92   33   33   68   66   41 
 340  341  342  343  344  345  346  347  348  349  350  351  352  353  354  356 
  44   51   56   50   42   27   77   67   78   64   38   81  100   87   43   83 
 357  358  359  360  362  363  364  365  366  367  368  369  370  371  372  373 
  75   78   50  103   78   77   69   37   76  111   67  111  126  107   91   58 
 374  375  376  377  378  379  380  381  382  383  384  385  386  387  388  389 
  92   66   99  105   97   70   61   98   85   76   78   47   55   52   76   31 
 390  391  392  393  394  395  396  397  398  399  400  402  403  405  406  407 
  25   77   54   51   47   31   42   39   90   74   35   87   46   79   66   94 
 408  409  411  412  413  414  415  416  417  418  419  420  421  422  423  424 
  54   96   73   80   51   47   57   74   94  113   64   84  115   46   71   68 
 425  426  427  428  429  430  431  432  433  434  435  436  437  438  439  441 
  21   81   95  110   66   75   70   52  104   55   50   66   68   79   44   83 
 442  443  444  445  446  447  448  449  450  451  452  455  456  457  458  459 
  58   66   86   82  106   82   92   48  115   95   70   72   73  122   62   88 
 460  462  463  464  465  466  467  468  469  470  471  472  473  474  475  476 
  68   95   71   17   90   96   57   73   75  112  107   48  100   83   57   48 
 477  478  479  480  481  482  483  484  485  486  487  488  489  490  492  493 
  96   98   99   21   77   45   76   49   90   82   88   64   55   62   49   39 
 494  495  496  497  498  499  500  501  502  503  504  505  506  507  508  509 
  55   51  102  115   69   44   86   71   99    8   63   87   94   53   74   44 
 511  512  513  514  515  516  517  518  519  520  521  522  523  524  525  526 
  76   89   41   74   98   70   71   94   97   72   39   45   90   73   74   68 
 527  528  529  530  531  532  533  534  535  536  537  538  539  540  542  543 
  89   40   61   71   52   56   85   38   39   87   77   58   80   78   58   47 
 544  545  546  547  548  549  550  551  552  553  554  555  556  557  558  559 
  79  101   53   70   74   95   74   97   46   40   37   58   88   78   56   64 
 561  562  563  565  566  567  568  569  570  571  572  573  574  575  576  577 
  43   50   80   52   83   61   54   75  107  109   76  101   69   65   71   94 
 578  579  580  581  582  583  584  585  586  587  588  589  590  591  592  593 
  63   42   70   41   69   78   52   34   57   75   51   84   60   63   71   51 
 594  595  596  597  598  599  600  601  602  603  604  605  606  607  608  610 
  41   76   62   78   63   50   64  118   48   44   69   60   48   40  103   79 
 611  612  613  614  615  616  617  618  619  620  621  622  623  624  625  626 
  75   71   43   66   66   60   49   88   95   90   81   72   87   76   29   72 
 627  628  629  630  631  632  633  634  635  636  637  638  639  640  641  642 
  52   60   73   28   35   68   74   50   67   86   56   80   45   55   61   61 
 643  644  645  646  647  648  649  650  651  652  653  654  655  656  657  658 
  41   77   81   52   70   61   68   74   65   75   96   36   68   53   78  106 
 659  661  662  663  664  665  666  667  668  669  670  671  672  673  674  675 
  52   79  106   55   61   63   89   74   58   73   88   88  102   67   64   82 
 676  677  678  679  680  681  682  683  684  685  686  687  688  689  690  691 
  63  101   78   69   93   87   87   79   46   91   97   83   50   74   89   76 
 692  693  694  695  696  697  698  699  700  701  702  703  704  705  706  707 
  71   58   81   87   77   41   37   67   63   78   57   68   52   64   84   50 
 708  710  711  712  713  714  715  716  717  718  719  720  721  722  723  724 
  94   72   88   33    2   34   31   70   88   68   76   49   92   83   89   68 
 725  726  727  728  729  730  731  732  733  734  735  736  737  738  739  740 
  67   63   64   71   71   79   64   80   44   54   76   76   66   61   81   74 
 741  742  743  744  745  746  747  748  749  750  751  752  753  754  755  756 
  80   70   69   75   85   48   52   50   90   81   56   52   70   53   63   54 
 757  758  760  761  762  763  764  765  766  767  768  769  770  771  772  773 
  46   87   82   99   55   54   87   54   42   61   56   93  112   81   77   63 
 774  775  776  777  778  779  780  781  782  783  784  785  786  787  788  789 
  79  106   49   58   81   66   41   98   75   53   81   94   76   53   58   53 
 790  791  792  793  794  795  796  797  798  799  800  801  802  803  804  805 
  59   48   30   39   62   56   44   69   47   81   77   48   45   43   40   75 
 806  809  810  811  812  813  814  815  816  817  818  819  820  821  822  823 
  44   79   92   80   75   47   59   85   66   88   57  126   40   52   95   51 
 824  825  826  827  828  829  830  831  832  833  834  835  836  837  838  839 
 107   73   91   78   90   60   65   57   38   65   88   49   76   64   73   78 
 840  841  842  843  844  845  846  847  848  849  850  851  852  853  854  855 
  82   34   41   57   75  102   77   88   77   55   71  116   93   54  100   57 
 856  858  859  860  861  862  863  864  865  866  867  868  869  870  871  872 
  51  102  108   61   51   73   74   40   46   60   64   58   69  114   91   83 
 873  874  875  876  877  878  879  880  881  882  883  884  885  886  887  888 
  57   66   59   43   96   67   79   68   47   45   49   92  117   69   50   82 
 889  890  891  892  893  894  895  896  897  898  899  900  901  902  903  904 
  70   65   66   56   56   71   81   69   92   76   66   81   50   50   37   30 
 905  907  908  909  910  911  912  913  914  915  916  917  918  919  920  921 
  24   83   73   58   49   78   42   62   31  115   99   42   70   71   49  114 
 922  923  924  925  926  927  928  929  930  931  932  933  934  935  936  938 
  59   74   90  101   77   57   60   72   31   66   51   78  110   68   59   83 
 939  940  941  942  943  944  945  946  947  948  949  950  951  952  953  954 
  51   71   52   50   68   77   59   39   48   56   80   75   97  101   69   69 
 955  957  958  959  960  961  962  963  964  965  966  967  968  969  970  971 
  36   92   56   65   79   64   79   58   50   41   52   46   43   42  109   40 
 972  973  974  975  976  977  978  979  980  981  982  983  984  985  986  987 
  94   68   84   53   62   53   68   86   31   59   78   68   88   58   63   54 
 988  989  990  991  992  993  994  995  996  997  998  999 1000 1001 1002 1003 
  69   89   44   46   54   63   68   46   86   47   68   41   62   60   52   70 
1004 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 
  70   52   86   77   67   62   55   38   36   67   73   45   60   80   58   86 
1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 
  63  100   67   60   63   47   42   64   47   84   71   70   83   76   82   53 
1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1056 1057 
  64  114   85   56   70   52   70   87   57   37   60   64   64   46   77   77 
1058 1059 1060 1061 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 
  67   82   53   51   58  104   48   86   58   83   66   79   92   93   50   73 
1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 
  59   76   34   66   34   71   65  100   81   83   63   62   75   41   40   59 
1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 
  44   48   95   71   45   51   56   55   43   50   78   76   68   63   83   75 
1108 1109 1110 1111 1112 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 
  38   52   73   48   39   58   64  101   54   86   87   80   72   67   94   66 
1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1137 1138 1139 1140 1141 
  85   72   94   49   33   48   65   94   70   43   52   89   70  106   54   65 
1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 
  71   97   54   58   66   42   96   76   55   96   69   50   95   56   86   87 
1158 1159 1160 1161 1162 1163 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 
  41   62   63   18   62   56   69   65   96   67   75   51   61   40   90   86 
1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 
  43   92   61   59   65   73   69   60   99   75   39   50   93  105   80   59 
1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 
  55   43   88   86   59   73   42   47   38   40   86   74   50   90   87   79 
1207 1208 1209 1210 1211 1212 1213 1215 1216 1217 1218 1219 1220 1221 1222 1223 
  56   67   54   41   53   55   62   99   87   67   87   42   63  116   87   50 
1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 
  45   46   68   64   36   82   49  103   56   73   77   70   85   75   57   47 
1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 
  60   59   65   58   62   73   57   58   60   86   69  101   69   71   58   45 
1258 1259 1260 1261 1263 1264 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 
  84   42   55   72  102   92  132   64   59   44   42   93   99   39   51   60 
1277 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 
  39   43   80   63   65   80   66   60   68   59   71   60   51   74   63   65 
1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 
  37   34   56   64   73   35   44   76   66   61   53   50   33   55   48   50 
1310 1311 1312 1313 1314 1315 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 
  51   61   87   87   70   32   60   78   66   76   73   56   78   46   28   56 
1329 1330 1331 1332 1333 1334 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 
  60   72   59   58  100   78   64   54   43   60   51  100   88   75   66   49 
1346 1347 1348 1349 1350 1351 1352 1353 1354 1356 1357 1358 1359 1360 1361 1362 
  50   51   47   67   84   58   75   47   36   14   40   44   47   45   47   61 
1363 1364 1365 1366 1367 1368 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 
  57   89   85   73   68   68   77   65   80   51   85   98   58   34   68   42 
1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 
  52   64   43   46   59   49   85   63   65   79   67   53   85   81   58   56 
1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1409 1410 1411 1412 1413 
  44   51   85   58   83   65   76   88   62   95   46   61   51   67   91   91 
1414 1415 1416 1417 1418 1419 1420 1422 1423 1424 1425 1426 1427 1428 1429 1430 
  62   75   81   58   81   62   71   81   79   80   58   36   29   25   12   72 
1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 
  61   94  122   78   63   68   84   69   67   76   80   75   59   38   45   57 
1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1460 1461 1462 1463 
  67   53   61   86   64   62  105   39   23   11    1   68   67   90   71   82 
1464 1465 1466 1467 1468 1469 1470 1471 1473 1474 1475 1476 1477 1478 1479 1481 
  93   78   53   74   43   46   35   59   90   54   91   93   82   46   28   54 
1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 
  58  111   66   92   69   81   32   82   41   64   87   75   45   60   62   64 
1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 
  62   62   86   50   69   49   54   64   47   49   40   27   51   42   51   52 
1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 
  48   52   67   68   52   53   33   59   33   90   55   59   55   58   76   65 
1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 
  61   80  105  115  101   42   70   54   27   41   65   63   40   44   46   93 
1547 1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 
  58   64   48   65   69   73   51   74   60   84   58   63   54   89   67   53 
1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1574 1575 1576 1577 1578 1579 
  58   45   74   71   61   72   93   50   47   43   73   72   80  110   95   82 
1580 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 
  64   57   63   78   88   40   63   44   63   45   52   70   68   52   48   47 
1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 
  85   57   47   52   52   53   91   80   79   48   55   35   82   45  105   43 
1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1624 1625 1626 1627 1628 1629 
  51   75   44   40   43   89   81  103   40   68   41   74   92   85   87  139 
1630 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646 
  86   19   74   85   65   75   49   53   97   58   51   47   66   50   51   79 
1647 1648 1649 1650 1651 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662 1663 
  90   65   91   65   50   65   99   97   58   57   60   53   75    7   87   66 
1664 1665 1666 1667 1668 1669 1670 1671 1672 1674 1675 1676 1677 1678 1679 1680 
  50   72   89   59   29  118   97   98   37   50   53   72   87   91   85   82 
1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 
  50   37   41   47   68   74   36   76   67   49   61   50   62   20   46   44 
1697 1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710 1711 1712 
  52   53   98   99   78   54   62   59   92   80   80   67   99   47   19   47 
1713 1714 1715 1716 1717 1718 1719 1720 1721 1723 1724 1725 1726 1727 1728 1729 
  81   62   61   81   59   54   32   97   44   74   44   65   36   91   74   47 
1730 1731 1733 1734 1735 1736 1737 1738 1739 1740 1741 1744 1745 1746 1747 1748 
  53   44   49   48   57   49   67   47   38   61   46   52   42   49   39   57 
1749 1750 1751 1753 1754 1755 1756 1757 1758 1759 1760 1761 1762 1763 1765 1766 
  78   89   64   33   41   81   42   60   72   64   93   56   66   50   56   38 
1767 1768 1769 1770 1771 1773 1774 1775 1776 1777 1778 1779 1780 1781 1782 1783 
  71   63   87   43   96   54   97   36   80   47   27   53   38   54   36   70 
1784 1785 1786 1787 1788 1789 1790 1792 1793 1795 1796 1797 1798 1799 1800 1801 
  50   72   28   74   59   41   63   73  120   96   53   42   39   56   86   92 
1802 1803 1804 1805 1806 1807 1808 1809 1810 1811 1812 1813 1814 1816 1817 1818 
  75   62   51   51   68   77   77   64   68   51   63   55   42   49   51   70 
1819 1820 1822 1823 1824 1825 1826 1827 1830 1831 1832 1833 1834 1835 1836 1837 
  61   70   41   79   63   56   50   61   58   95  101   85   74   63   49   47 
1838 1839 1840 1841 1842 1844 1845 1846 1847 1848 1849 1850 1851 1853 1854 1855 
  56   70    2   62   86   37   77   64   55   60   67   85   99   32   66   30 
1856 1857 1858 1859 1860 1861 1862 1863 1864 1865 1866 1867 1868 1869 1870 1872 
  70   74   82   85   80   50   61   79   53   70   49   36   74   31   35  112 
1873 1874 1875 1876 1877 1878 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889 
 104   48   71   80   83   62   79   54   56  128   78   52   41   32   51   62 
1891 1892 1894 1895 1896 1897 1898 1899 1900 1901 1902 1903 1904 1905 1906 1907 
  54   90   48   72   59   54   46   70   17   61   53   84   51   62   70   62 
1908 1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923 
  55   41   66   68   30   76   59   51   68   41   43   53   28   61   79   66 
1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1940 
  57   60   85   79   71   41   96   79   46  113  133   36   93   41   79   75 
1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 
 123   56   56   81   48   59   57   60   50   59   70   77   94   43   82   72 
1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 
  52   74   30   39   35   78   42   36   41   53   57   69   48   95   50  113 
1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 
  43   74   56   53   50   55   43   52   75   53  122   90   75   73   82   29 
1990 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 
  51   77   77   85  117   80   41   55   55   61   86   48   75   80   90   77 
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 
  81   86   54   45   64   65   49   48   53   47   83   42   76   44   67   44 
2023 2025 2026 2027 2028 2030 2031 2032 2033 2034 2035 2036 2037 2038 2039 2040 
  43   58   60   76   45   46   45   39   65   66   64   65  123   39   43   52 
2041 2042 2043 2044 2045 2046 2047 2048 2049 2050 2051 2052 2053 2054 2055 2056 
  50   95   99   87   86   14   50   57   78   53   80   95   47   72   69   88 
2057 2058 2059 2060 2061 2062 2063 2064 2065 2066 2067 2068 2069 2070 2071 2072 
  33   60   71   73   83   61   87   62   71   47   46   67   77   39   36   36 
2073 2074 2075 2077 2078 2079 2080 2081 2082 2083 2084 2085 2086 2087 2088 2089 
  43   56   67   77   69   25   89   57   39   77   33   62   77   74   31   44 
2090 2091 2092 2093 2094 2095 2096 2097 2098 2099 2100 2101 2102 2103 2104 2105 
  45   47   92   91   74   62   88   50   52   49   56   86   69   40   64   53 
2106 2107 2108 2109 2110 2111 2112 2113 2114 2115 2116 2117 2118 2119 2120 2121 
  41   80   55   66   73   64   59   69   97   69   60   32   85   51   59   51 
2122 2123 2124 2125 2126 2127 2128 2129 2130 2131 2133 2134 2135 2136 2137 2138 
  31   62   77   82   62   51   26   46   69   59   70   69   73   72   21   44 
2139 2140 2141 2142 2143 2144 2145 2146 2147 2148 2150 2151 2152 2153 2154 2155 
  54   75   52   88   60   43   96   58   60   78  104   79   65  102   51   73 
2156 2157 2158 2159 2160 2161 2162 2163 2164 2165 2166 2167 2168 2169 2170 2171 
  43   68   62  106   81   65   47   60   51   64   63   64   50   48   53   75 
2172 2173 2174 2175 2176 2177 2178 2179 2180 2181 2182 2183 2184 2185 2186 2187 
  86   48   88   79   97   32   48   86   63   70   72   37   52   79   49   92 
2188 2189 2190 2191 2192 2193 2194 2195 2196 2197 2198 2200 2201 2203 2204 2205 
  26   46   76   44   90   78   89   54  122   34   34   73  134   72  107   76 
2206 2207 2208 2209 2210 2211 2212 2213 2214 2215 2216 2217 2218 2219 2220 2221 
  31   83   59   72   98  108   57   68   68   50   71   82   36   32   65   74 
2222 2223 2224 2225 2226 2227 2228 2229 2230 2231 2232 2233 2234 2235 2236 2237 
  24   71   68   57   52   41   57   48   49   65   60   53   36   42   41   58 
2238 2239 2240 2241 2242 2243 2244 2245 2246 2247 2248 2249 2250 2251 2252 2253 
  46   93   49   73   76   99   79   57   82   46   38  105   88   44   83   71 
2254 2255 2256 2257 2258 2259 2260 2261 2262 2263 2264 2265 2266 2267 2268 2269 
  84  120   74   57   83   49   98   57   69   44   63   76   66   59   62   29 
2270 2271 2272 2273 2274 2275 2276 2277 2278 2279 2280 2281 2282 2283 2284 2285 
  57   58   67   51   45   82   35   35   80   46   41   49   41   21   17   28 
2286 2287 2290 2291 2292 2293 2294 2295 2296 2297 2298 2299 2300 2301 2302 2303 
  47   51   47   56   83   62   20   64   43   42   83   76   44   45   68   46 
2304 2305 2306 2307 2308 2309 2310 2311 2312 2313 2314 2315 2316 2317 2318 2319 
  48   79   79   53   52   75   49   66   83   70   51   51   71   65   48   31 
2320 2321 2322 2323 2324 2325 2326 2327 2328 2329 2330 2331 2332 2333 2334 2335 
  42   61   96   42   60   32   58   69   64   64   67   79   27   36   27   71 
2336 2338 2340 2341 2342 2343 2344 2345 2346 2347 2348 2349 2350 2351 2352 2353 
  24   93   73   81   60   37   75   74   47   43   97   44   23   98   41   44 
2354 2355 2356 2357 2358 2359 2360 2361 2362 2363 2364 2365 2366 2367 2368 2369 
  98   70   64   79   76   96   62   55   69   49   54   77   49   75   96   57 
2370 2371 2372 2373 2374 2375 2376 2377 2378 2379 2380 2381 2382 2383 2384 2385 
  99   65   36   82   54   34   74   68   85   61   51   98   97   71   49   56 
2386 2387 2388 2390 2391 2392 2393 2394 2395 2396 2397 2398 2399 2400 2401 2402 
  39   37   62   68   81   51   84   44  110   87   85   77  136   85   59   82 
2403 2404 2405 2406 2407 2408 2409 2410 2411 2412 2413 2414 2415 2416 2417 2418 
  44   63   94   32  103   68   56   53   46   75   36   39   52   40   75   60 
2419 2420 2421 2422 2423 2424 2425 2426 2427 2428 2429 2430 2431 2432 2433 2434 
  83   73   73   57   68   72   31   61   48   68   63   90   89   62   89   70 
2435 2436 2437 2438 2439 2440 2441 2442 2444 2445 2446 2447 2448 2449 2450 2451 
  75   35   39   55   72   66   71   67   78   50   73   77   63   78   58   41 
2452 2453 2454 2455 2456 2457 2458 2459 2460 2461 2462 2463 2464 2465 2466 2467 
  83   59   81   40   47   71   56   40   56   57   70   30   78   70   90   70 
2468 2469 2470 2471 2472 2473 2474 2475 2476 2477 2478 2479 2480 2481 2482 2483 
  82   49   67   74  107   80   43   28   32   35   60   87   41   80   67   59 
2484 2485 2486 2487 2488 2489 2490 2491 2492 2493 2494 2495 2496 2497 2498 2499 
  88   46   45   30   17   84   71   55   83   79   30   57   86   68   82   61 
2500 
  31 

Comprobación de nodos vacíos:

dim_model <- 50*50;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
  print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}
[1] "[Warning] Existen nodos vacíos:  2385 / 2500"

Mapa de distancia entre vecinos

plot(model, type="dist.neighbours", shape = "straight")

Influencia de las variables

model_colnames = c("fecha_cnt", "tmax", "tmin", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)

Mapa de variables.

plot(model, shape = "straight")

Mapa de calor por variable

par(mfrow=c(3,4))
for (j in 1:model_ncol) {
  plot(model, type="property", property=getCodes(model,1)[,j],
    palette.name=mpr.coolBlueHotRed,
    main=model_colnames[j],
    cex=0.5, shape = "straight")
}

Correlación para cada columna del vector de nodos

if (!empty_nodes) {
  cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
  print(cor)
}

Representación de cada variable en un mapa de factores:

if (!empty_nodes) {
  par(mfrow=c(1,1))
  plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
  lines(c(-1,1),c(0,0))
  lines(c(0,0),c(-1,1))
  text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
  symbols(0,0,circles=1,inches=F,add=T)
}

Importancia de cada variable - varianza ponderada por el tamaño de la celda:

if (!empty_nodes) {
  sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
     {m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
     effectif=nb))
  print(sort(sigma2,decreasing=T))
}

Clustering

if (!empty_nodes) {
  hac <- mpr.hac(model, nb)
}

Visualización de 3 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=3)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=3)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

Visualización de 4 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=4)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=4)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

Visualización de 5 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=5)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=5)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

Visualización de 6 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=6)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=6)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)

Visualización de 8 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=8)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=8)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)
  df.cluster07 <- subset(df, cluster==7)
  df.cluster08 <- subset(df, cluster==8)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
  df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
  df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)

Visualización de 10 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=10)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=10)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)
  df.cluster07 <- subset(df, cluster==7)
  df.cluster08 <- subset(df, cluster==8)
  df.cluster09 <- subset(df, cluster==9)
  df.cluster10 <- subset(df, cluster==10)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) summary(df.cluster09)
if (!empty_nodes) summary(df.cluster10)

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.hist(df.cluster09)
if (!empty_nodes) mpr.hist(df.cluster10)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster09)
if (!empty_nodes) mpr.boxplot(df.cluster10)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
  df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
  df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
  df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
  df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)
---
title: "Análisis de modelos SOM - Frecuencia datos de entrada: semana"
output: html_notebook
---

# Modelo

* ID: 151
* Descripción: 
* Frecuencia: semana
* Variables: fecha_cnt, tmax, tmin, longitud, latitud, altitud
* Dimensiones del mapa: 50,50
* Iteraciones: 1000
* Parámetros adicionales: 

```{r}
source("../../lib/som-utils.R")
source("../../lib/maps-utils.R")
```

# Carga del modelo desde disco

```{r}
mpr.set_base_path_analysis()
model <- mpr.load_model("som-151.rds.xz")
summary(model)
```

```{r}
plot(model, type="changes")
```

# Carga del dataset de entrada

```{r}
df <- mpr.load_data("datos_semana_2k.csv.xz")
```

```{r}
df
```

```{r}
summary(df)
```

# Carga de los mapas

```{r}
world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")
```

# Mapa de densidad

```{r}
plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)
```

Número de elementos en cada celda:

```{r}
nb <- table(model$unit.classif)
print(nb)
```
Comprobación de nodos vacíos:

```{r}
dim_model <- 50*50;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
  print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}
```

# Mapa de distancia entre vecinos

```{r}
plot(model, type="dist.neighbours", shape = "straight")
```

# Influencia de las variables

```{r}
model_colnames = c("fecha_cnt", "tmax", "tmin", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)
```

## Mapa de variables.

```{r}
plot(model, shape = "straight")
```

## Mapa de calor por variable

```{r}
par(mfrow=c(3,4))
for (j in 1:model_ncol) {
  plot(model, type="property", property=getCodes(model,1)[,j],
    palette.name=mpr.coolBlueHotRed,
    main=model_colnames[j],
    cex=0.5, shape = "straight")
}
```

## Correlación para cada columna del vector de nodos

```{r}
if (!empty_nodes) {
  cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
  print(cor)
}
```

Representación de cada variable en un mapa de factores:

```{r}
if (!empty_nodes) {
  par(mfrow=c(1,1))
  plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
  lines(c(-1,1),c(0,0))
  lines(c(0,0),c(-1,1))
  text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
  symbols(0,0,circles=1,inches=F,add=T)
}
```

Importancia de cada variable - varianza ponderada por el tamaño de la celda:

```{r}
if (!empty_nodes) {
  sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
     {m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
     effectif=nb))
  print(sort(sigma2,decreasing=T))
}
```

# Clustering

```{r}
if (!empty_nodes) {
  hac <- mpr.hac(model, nb)
}
```

## Visualización de 3 clústeres:

```{r}
if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=3)
}
```

### Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

```{r}
if (!empty_nodes) {
  groups <- cutree(hac, k=3)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}
```

### Análisis de las observaciones de cada cluster

```{r}
if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}
```

Nuevos dataframes por cluster

```{r}
if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
```

```{r}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
```

#### Número de elementos en cada clúster

```{r}
if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03"),
          col = "steelblue1")
}
```

#### Distribución de los datos

```{r fig.height=7}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
```

```{r fig.height=5}
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
```

### Localización geográfica de las estaciones de medida de cada cluster

```{r}
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}
```

```{r}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
```

## Visualización de 4 clústeres:

```{r}
if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=4)
}
```

### Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

```{r}
if (!empty_nodes) {
  groups <- cutree(hac, k=4)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}
```

### Análisis de las observaciones de cada cluster

```{r}
if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}
```

Nuevos dataframes por cluster

```{r}
if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
```

```{r}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
```

#### Número de elementos en cada clúster

```{r}
if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
          col = "steelblue1")
}
```

#### Distribución de los datos

```{r fig.height=7}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
```

```{r fig.height=5}
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
```

### Localización geográfica de las estaciones de medida de cada cluster

```{r}
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}
```

```{r}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
```

## Visualización de 5 clústeres:

```{r}
if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=5)
}
```

### Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

```{r}
if (!empty_nodes) {
  groups <- cutree(hac, k=5)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}
```

### Análisis de las observaciones de cada cluster

```{r}
if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}
```

Nuevos dataframes por cluster

```{r}
if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
```

```{r}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
```

#### Número de elementos en cada clúster

```{r}
if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
          col = "steelblue1")
}
```

#### Distribución de los datos

```{r fig.height=7}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
```

```{r fig.height=5}
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
```

### Localización geográfica de las estaciones de medida de cada cluster

```{r}
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}
```

```{r}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
```

## Visualización de 6 clústeres:

```{r}
if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=6)
}
```

### Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

```{r}
if (!empty_nodes) {
  groups <- cutree(hac, k=6)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}
```

### Análisis de las observaciones de cada cluster

```{r}
if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}
```

Nuevos dataframes por cluster

```{r}
if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
```

```{r}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
```

#### Número de elementos en cada clúster

```{r}
if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
          col = "steelblue1")
}
```

#### Distribución de los datos

```{r fig.height=7}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
```

```{r fig.height=5}
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
```

### Localización geográfica de las estaciones de medida de cada cluster

```{r}
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}
```

```{r}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
```

## Visualización de 8 clústeres:

```{r}
if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=8)
}
```

### Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

```{r}
if (!empty_nodes) {
  groups <- cutree(hac, k=8)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}
```

### Análisis de las observaciones de cada cluster

```{r}
if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}
```

Nuevos dataframes por cluster

```{r}
if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)
  df.cluster07 <- subset(df, cluster==7)
  df.cluster08 <- subset(df, cluster==8)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
```

```{r}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
```

#### Número de elementos en cada clúster

```{r}
if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
          col = "steelblue1")
}
```

#### Distribución de los datos

```{r fig.height=7}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
```

```{r fig.height=5}
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
```

### Localización geográfica de las estaciones de medida de cada cluster

```{r}
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
  df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
  df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}
```

```{r}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
```

## Visualización de 10 clústeres:

```{r}
if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=10)
}
```

### Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

```{r}
if (!empty_nodes) {
  groups <- cutree(hac, k=10)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}
```

### Análisis de las observaciones de cada cluster

```{r}
if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}
```

Nuevos dataframes por cluster

```{r}
if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)
  df.cluster07 <- subset(df, cluster==7)
  df.cluster08 <- subset(df, cluster==8)
  df.cluster09 <- subset(df, cluster==9)
  df.cluster10 <- subset(df, cluster==10)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
```

```{r}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) summary(df.cluster09)
if (!empty_nodes) summary(df.cluster10)
```

#### Número de elementos en cada clúster

```{r}
if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
          col = "steelblue1")
}
```

#### Distribución de los datos

```{r fig.height=7}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.hist(df.cluster09)
if (!empty_nodes) mpr.hist(df.cluster10)
```

```{r fig.height=5}
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster09)
if (!empty_nodes) mpr.boxplot(df.cluster10)
```

### Localización geográfica de las estaciones de medida de cada cluster

```{r}
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
  df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
  df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
  df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
  df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}
```

```{r}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)
```
